皮肤恶性肿瘤对患者健康有极大的威胁,由于现有诊断技术存在精准性差及有创操作等局限性,以及恶性皮肤病变与其他皮肤病变的高度相似性,致使皮肤恶性肿瘤的临床诊断精度低,误诊率高,诊疗效率低下。使用计算机算法进行皮肤医学图像自动分类可以有效提高临床诊断效率。而现有皮肤肿瘤人工智能辅助诊断方法,主要存在以下两个方面的问题:（1）训练模型使用的图像数据的质量、数量直接影响模型的性能,由于数据不足和类别不平衡导致模型的准确率还有提升的空间。（2）当前模型大多依据患病部位的皮肤镜图像进行诊断,而对于皮肤临床图像进行诊断的研究以及数据集则很少。相比于皮肤镜图像,皮肤临床图像中的背景更为复杂,病灶区域更小,环境光线以及非病灶区域噪声影响大,更具有挑战性。针对第一个问题,本文提出了一个名为G-DMN的两阶段框架,它使用CycleGAN扩展数据集和Dense-MobileNetV2（DMN）来实现皮肤病变图像的自动分类。在第一阶段,本文使用CycleGAN进行数据扩充,并提出一种新的图像配对策略:通过CycleGAN学习多数类图像向少数类图像的转换,然后生成少数类图像以平衡数据集。在第二阶段,本文提出了一个名为DMN的轻量级模型。通过改进MobileNetV2,它通过增加网络的宽度来增强特征重用,并允许网络关注不同尺度的焦点区域。原始训练集与生成的图像相结合,用于训练DMN。实验证明了提出的方法比经典的分类方法更轻量,效果更好,实现了显著的性能改进。文章针对第二个问题构建了一个新的临床皮肤疾病数据集（Clinical Skin Lesion Images,CSLI）,并提出一种基于双分支网络（Double Branch Net,DBN）的分类模型,该模型包含原网络和融合网络两个分支,本文提出了CFEBlock提取原网络分支相邻层次之间的共同特征,之后通过提出的Fusion Block将其与融合网络分支融合,最终通过加权求和得到预测结果。最后,在CSLI数据集上比较了DBN各个模块的效果,对比了和其他深度卷积神经网络的效果。分析了模型在不同类别疾病上的指标,最终表明该网络综合表现更好。